Open-weight AI ไล่จี้โมเดลปิด และกำลังเปลี่ยนสมการต้นทุนขององค์กร

โมเดล AI แบบ open-weight หรือโมเดลที่เปิดให้นำค่าน้ำหนักไปใช้งาน ไม่ได้เป็นเพียงทางเลือกราคาประหยัดสำหรับงานง่ายอีกต่อไป โมเดลชั้นนำเริ่มมีความสามารถใกล้กับโมเดลปิดระดับแนหน้า (frontier models) มากพอที่องค์กรจะเลือกตามลักษณะงาน ต้นทุน และระดับการควบคุมที่ต้องการ แทนการส่งทุกคำขอไปยัง API ที่เก่งที่สุดและแพงที่สุดเสมอ

ช่องว่างบนเบนช์มาร์กลดลง แต่ต้องอ่านคะแนนอย่างมีบริบท

ข้อมูลสรุป Artificial Analysis ที่มีรายงานในเดือนกันยายน 2026 ระบุว่า Kimi K3 ของ Moonshot AI ได้ 59.7 คะแนน ขณะที่ Claude Fable 5.1 ของ Anthropic ได้ 65.7 คะแนน ต่างกัน 6 คะแนน ลดลงจากช่องว่าง 13 คะแนนเมื่อหนึ่งปีก่อน 3 นี่สะท้อนว่าระยะห่างระหว่างโมเดลเปิดชั้นนำกับโมเดลปิดระดับสูงกำลังแคบลงอย่างมีนัยสำคัญ

อย่างไรก็ดี ไม่ควรมองตัวเลขดังกล่าวเป็นค่าตายตัวหรือเทียบข้ามบริบทโดยตรง เพราะหน้าการเปรียบเทียบปัจจุบันของ Artificial Analysis ใช้วิธีวัด v4.2 และแสดง Kimi K3 (max) ที่ 50 คะแนน เทียบกับ Claude Fable 5.1 ที่ 56 คะแนน 52 โดยหน้า Kimi K3 ระบุว่า Intelligence Index v4.2 รวมการประเมิน 10 รายการ จึงเป็นตัวอย่างว่าคะแนนอาจเปลี่ยนไปตามชุดทดสอบ การตั้งค่าโมเดล และวิธีให้คะแนน 1

ข้อสรุปที่คงทนกว่าคือตัวทิศทาง: โมเดล open-weight ระดับบนอยู่ใกล้ทางเลือกแบบปิดที่ดีที่สุดมากขึ้นบนดัชนีความสามารถแบบรวม แต่ไม่ได้หมายความว่าทำได้เท่าเทียมกันในทุกงาน ตารางอันดับรวมไม่อาจยืนยันความเท่ากันด้านความน่าเชื่อถือ พฤติกรรมด้านความปลอดภัย การใช้เครื่องมือ ความหน่วง งานหลายสื่อ หรือเวิร์กโฟลว์เฉพาะของแต่ละองค์กรได้

เมื่อคุณภาพ “ถึงเกณฑ์” โจทย์ซื้อ AI ก็เปลี่ยนไป

สำหรับทีมที่นำ AI ไปใช้จริง คำถามสำคัญมักไม่ใช่ “โมเดลไหนได้คะแนนสูงสุด” แต่คือ โมเดลใดให้ผลลัพธ์ที่ยอมรับได้สำหรับงานนี้ ด้วยต้นทุนรวมต่ำสุดและความเสี่ยงที่รับได้

หากโมเดลต้นทุนต่ำผ่านเกณฑ์คุณภาพสำหรับงานสรุปเอกสาร ดึงข้อมูล ค้นหาความรู้ภายใน ช่วยเขียนโค้ดทั่วไป หรือจัดประเภทข้อมูล การจ่ายเงินให้โมเดลระดับแนหน้าสำหรับทุกคำขออาจไม่คุ้มค่า ในทางกลับกัน ความได้เปรียบของโมเดลปิดอาจยังคุ้มกับงานที่ต้องใช้เหตุผลซับซ้อน การตัดสินใจที่มีความเสี่ยงสูง เอเจนต์หลายขั้นตอน หรือกรณีที่คุณภาพดีขึ้นเพียงเล็กน้อยส่งผลต่อรายได้ ความปลอดภัย หรือข้อกำกับดูแลอย่างชัดเจน

ต้นทุนเป็นส่วนหนึ่งของเหตุผลนี้ การเปรียบเทียบปัจจุบันของ Artificial Analysis ระบุราคา Kimi K3 (max) ที่ 2.31 ดอลลาร์ต่อ 1 ล้านโทเค็น เทียบกับ Claude Fable 5.1 ที่ 7.17 ดอลลาร์ต่อ 1 ล้านโทเค็น ขณะเดียวกันโมเดลของ Anthropic ยังนำทั้ง Intelligence Index และความเร็วในการสร้างผลลัพธ์ 52 ราคาโทเค็นไม่ใช่ต้นทุนทั้งหมด แต่ช่วยอธิบายว่าการเลือกโมเดลได้กลายเป็นโจทย์เพิ่มประสิทธิภาพเชิงปฏิบัติการ

AT&T: ตัวอย่างของการส่งงานให้โมเดลตามความเหมาะสม

AT&T แสดงให้เห็นภาพการเปลี่ยนจากกลยุทธ์ “ใช้โมเดลเดียว” ไปสู่การจัดพอร์ตโฟลิโอโมเดล บริษัทระบุว่าสัดส่วนการใช้โมเดลเปิดเพิ่มจาก 20% ของการใช้ AI ในเดือนพฤษภาคมเป็น 40% และอาจเพิ่มเป็น 60% ในช่วงไม่กี่เดือนข้างหน้า อีกทั้งประหยัดต้นทุน AI ได้สูงสุด 80% เมื่อเทียบกับช่วงต้นปี 26

รายงานก่อนหน้านี้ยังระบุว่า AT&T ตั้งเป้าให้โมเดลเปิดรองรับการใช้ AI รวม 70%–80% ในระยะยาว โดยยังคงใช้โมเดลปิดเป็นส่วนหนึ่งของระบบ 17 แนวทางนี้ไม่ได้บอกว่าโมเดลเปิดดีที่สุดสำหรับทุกอย่าง แต่เป็นการจัดเส้นทางงานอย่างมีเหตุผล ได้แก่

• ส่งงานประจำที่มีปริมาณสูงไปยังโมเดลต้นทุนต่ำ
• เก็บโมเดลพรีเมียมไว้สำหรับคำขอที่พิสูจน์ได้ว่าต้องการความสามารถเพิ่มเติม
• วัดคุณภาพ ความเร็ว และต้นทุนในระดับเวิร์กโหลดจริง แทนการยึดอันดับจากตารางเดียว

เมื่อคุณภาพโมเดลเริ่มบรรจบกัน มูลค่าจึงย้ายไปอยู่ที่ระบบประเมินผล ระบบกำหนดเส้นทางงาน การสังเกตการณ์การทำงาน และความสามารถในการเปลี่ยนผู้ให้บริการโดยไม่กระทบแอปพลิเคชัน

Open-weight ให้ “อำนาจควบคุม” ไม่ใช่การประหยัดโดยอัตโนมัติ

โมเดล open-weight น่าสนใจเพราะองค์กรอาจนำไปรันในสภาพแวดล้อมที่ควบคุมเอง ปรับจูนให้เหมาะกับกรณีใช้งาน และลดการพึ่งพา API จากผู้ขายรายเดียวได้ แต่คำว่า “เปิด” ไม่ได้แปลว่าเป็นส่วนตัว ราคาถูก หรือมีความเสี่ยงต่ำโดยอัตโนมัติ

การโฮสต์เองย้ายภาระความรับผิดชอบมายังองค์กรผู้ใช้งาน ระบบที่จริงจังต้องคิดรวมค่าโครงสร้างพื้นฐาน การปรับประสิทธิภาพการอนุมาน เวลาวิศวกรรม การอุดแพตช์ การมอนิเตอร์ การควบคุมสิทธิ์การเข้าถึง เงื่อนไขใบอนุญาต และการรับมือเหตุการณ์ผิดปกติ องค์กรที่จัดการข้อมูลอ่อนไหวควรตรวจสอบที่มาของโมเดล ซัพพลายเชนซอฟต์แวร์ ที่ตั้งและการไหลของข้อมูล ภาระด้านการควบคุมการส่งออก รวมถึงความปลอดภัยของบริการรอบข้างทั้งหมด

ดังนั้น การเทียบที่ถูกต้องไม่ใช่ “ราคา API เทียบกับศูนย์” แต่คือ ต้นทุนรวมต่อภารกิจธุรกิจที่สำเร็จ ซึ่งรวมต้นทุนจากคำตอบผิดพลาด ภาระการดูแลระบบ และมาตรการป้องกันที่จำเป็น

ความโดดเด่นของโมเดลจากจีน: ทั้งการแข่งขันและโจทย์ธรรมาภิบาล

Kimi K3 เป็นโมเดลของ Moonshot AI และรายงานเกี่ยวกับตารางอันดับล่าสุดชี้ให้เห็นบทบาทที่แข็งแกร่งของแล็บจากจีนในตลาดโมเดล open-weight 3 การมีผู้เล่นที่มีความสามารถมากขึ้นช่วยเพิ่มทางเลือกและกดดันการแข่งขันต่อผู้ให้บริการโมเดลปิด

สำหรับผู้ซื้อระดับองค์กร ประเทศต้นกำเนิดไม่ควรถูกลดทอนเป็นเพียงป้ายการตลาด หรือใช้แทนกระบวนการตรวจสอบอย่างรอบคอบ สิ่งที่เหมาะสมกว่าคือการใช้มาตรฐานเดียวกันกับทุกผู้ขายและทุกโมเดล: ตรวจสอบเงื่อนไขใบอนุญาต ค่าน้ำหนักและส่วนพึ่งพา ประเมินแนวปฏิบัติด้านความปลอดภัย ทดสอบบนข้อมูลภายใน และยืนยันว่าสถาปัตยกรรมการนำไปใช้สอดคล้องกับข้อกำหนดด้านความเป็นส่วนตัวและกฎระเบียบที่เกี่ยวข้อง

ดีล Nvidia–Hugging Face ชี้ว่าโครงสร้างพื้นฐานโมเดลเปิดมีมูลค่าทางยุทธศาสตร์

Nvidia ตกลงซื้อกิจการ Hugging Face ด้วยมูลค่าราว 12.9 พันล้านดอลลาร์ ตามรายงานและแถลงการณ์ของบริษัทในเวลาต่อมา 3436 Hugging Face เป็นแพลตฟอร์มสำคัญสำหรับการค้นหา แบ่งปัน และทดสอบโมเดลกับเครื่องมือ AI ดีลนี้จึงสะท้อนว่าโครงสร้างพื้นฐานรอบโมเดลเปิด ตั้งแต่การกระจายโมเดลไปจนถึงเวิร์กโฟลว์ของนักพัฒนา มีความสำคัญเชิงยุทธศาสตร์ ไม่ใช่แค่พื้นที่ของนักวิจัย

ธุรกรรมนี้ไม่ได้ตัดสินอนาคตของ AI แบบเปิดทั้งหมด แต่แสดงให้เห็นว่าคลังโมเดล เครื่องมือ การรองรับฮาร์ดแวร์ และชุมชนนักพัฒนาล้วนมีมูลค่าสูงควบคู่ไปกับตัวโมเดลเอง

ปลายทางที่เป็นไปได้: AI แบบไฮบริด เลือกตามงาน

เมื่อช่องว่างด้านความสามารถแคบลง สถาปัตยกรรมแบบไฮบริดยิ่งมีความเป็นไปได้มากขึ้น:

• โมเดลปิดระดับแนวหน้า สำหรับงานที่ยากที่สุด บริการแบบจัดการ และกรณีที่ความสามารถสูงสุดหรือการสนับสนุนจากผู้ขายเป็นปัจจัยชี้ขาด
• โมเดล open-weight สำหรับงานปริมาณมาก งานที่ต้องปรับแต่ง งานอ่อนไหวต่อต้นทุน หรืองานที่ต้องการควบคุมสภาพแวดล้อมอย่างใกล้ชิด ตราบใดที่ผ่านเกณฑ์คุณภาพ
• ชั้นการกำหนดเส้นทางและการประเมินผล ที่ตรวจสอบคุณภาพ ความหน่วง ต้นทุน และการปฏิบัติตามนโยบายอย่างต่อเนื่อง

ประเด็นสำคัญไม่ใช่ว่า open-weight AI ทำให้โมเดลปิดล้าสมัยแล้ว แต่คือช่องว่างมีขนาดเล็กพอในหลายกรณีที่องค์กรมีทางเลือกเชิงเศรษฐศาสตร์อย่างแท้จริง กลยุทธ์ที่ชนะจึงไม่ใช่การเลือกข้างระหว่างโมเดลเปิดหรือปิด หากแต่เป็นการวัดอย่างเข้มงวดว่าโมเดลใดแก้งานธุรกิจแต่ละประเภทได้อย่างปลอดภัย น่าเชื่อถือ และด้วยต้นทุนรวมที่เหมาะสมที่สุด